機器學習中的人工神經網路

原文作者：Sheetal Sharma

人工神經網路 - 介紹

人工神經網路（ANN）或神經網路是計算演算法。

它旨在模擬由「 神經元」組成的生物系統的行為。人工神經網路是受動物中樞神經系統啟發的計算模型。 它具有機器學習和模式識別的能力。 這些能力以系統的形式表現出來，即可以從輸入值來計算結果的相互關聯的「神經元」系統。

神經網路是一個定向圖。 它由節點組成，就像生物的神經元，通過弧連接。它對應於樹突和突觸 。 每個弧在每個節點處與一個權重相關聯。 將節點接收到的輸入值，定義輸入的弧線的激活函數，由弧線的權重進行調整。

神經網路是基於人類神經元模型的機器學習演算法。人腦由數百萬個神經元組成。 它以電子和化學信號的形式發送和處理信號。 這些神經元以特殊結構相連接，稱為突觸。 突觸允許神經元傳遞信號。神經網路就是由大量這樣的模擬神經網路組成。

人工神經網路是一種信息處理技術。 它像人腦處理信息的方式一樣工作。ANN包括大量相互連接的處理單元，它們一起處理信息。 他們也從中產生了有意義的結果。

我們不僅可以應用神經網路進行分類。 它也可以用於連續目標屬性的回歸。

神經網路在行業中的數據挖掘中有很好的應用。 例如經濟學，取證學等，以及模式識別。經過仔細的訓練，它也可以用於大量數據的數據分類。

神經網路可能包含以下3個層次：

輸入層- 輸入單元的活躍度表示可進入網路的原始信息。

隱藏層- 確定每個隱藏單元的活躍度。輸入單元的活躍度和輸入與隱藏單元之間連接的權重。 可能有一個或多個隱藏層。

輸出層- 輸出單元的行為取決於隱藏單元的活躍度以及隱藏單元和輸出單元之間的權重。

人工神經網路層

人工神經網路通常是分層組織的。 圖層由許多包含「激活功能」的相互連接的「節點」組成。神經網路可能包含以下3個層次：

a

輸入層

輸入層的目的是接收每個觀測值的解釋屬性的值作為輸入。通常，輸入層中輸入節點的數量等於解釋變數的數量。「輸入層」向網路呈現圖案，其與一個或多個「隱藏層」進行通信。

輸入層的節點是被動的，這意味著它們不會改變數據。節點從輸入層收到一個值，並將其複製到他們的眾多輸出中。它複製輸入層的每個值，並發送到所有的隱藏節點。

b

隱藏層

隱藏層將給定的轉換應用於網路內的輸入值。在這裡，從其他隱藏節點的弧，或從輸入節點傳入的弧，連接每個節點。它連接了輸出節點或其他隱藏節點的弧。在隱藏層中，實際處理是通過加權「連接」系統來完成的。這其中可能有一個或多個隱藏層。進入一個隱藏節點的值乘以權重，存儲在程序中的一組預定數字。然後，加權的輸入被添加到產生一個單一的數字。

c

輸出層

之後，隱藏的層鏈接到「輸出層」。輸出層接收來自隱藏層或來自輸入層的連接。它返回一個對應於響應變數預測的輸出值。在分類問題中，通常只有一個輸出節點。輸出層的活動節點結合併改變數據以產生輸出值。

神經網路能夠給出數據操作的核心在於適當選擇權重。這與傳統的信息處理不同。

神經網路的結構

神經網路的結構也被稱為其「架構」或「拓撲」。它由層數，基本單位組成。它也包括互換權重調整機制。結構的選擇決定了將要獲得的結果。這是神經網路實施中最關鍵的部分。

最簡單的結構是單元呈兩層分布結構：輸入層和輸出層。輸入層中的每個單元都有一個輸入和一個與輸入相等的輸出。輸出單元將輸入層的所有單元連接到他們的輸入，具有組合功能和傳輸功能。可能有超過1個的輸出單位。在這種情況下，產生的模型是線性或邏輯回歸。這取決於傳遞函數是線性的還是邏輯的。網路的權重是回歸係數。

通過在輸入層和輸出層之間增加一層或多層隱層，神經網路的預測能力增加。但是隱藏層的數量應該儘可能小。這確保了神經網路不存儲來自訓練數據集的所有信息，但可以將其推廣以避免過度擬合。

過度擬合有可能發生。當權重使得系統學習訓練數據集的細節而不是發現結構時，過度擬合就會發生，這是因為訓練數據集的大小相對於模型的複雜度而言太小。

隱藏層有可能存在也有可能不存在，當有多個類需要預測時，網路的輸出層有時會有很多單元。

神經網路的優點和缺點

讓我們看看神經網路的優點和缺點：

神經網路在線性和非線性數據下表現良好，但對神經網路（特別是機器人學）的普遍批評是，它們需要對現實世界的操作進行大量的訓練。這是因為任何學習機器都需要足夠的代表性例子來捕捉基本結構，從而使其能夠推廣到新的情況。

神經網路即使有一個或幾個單元不能響應網路仍然能運行良好，但要實現大型有效的軟體神經網路，需要承擔大量的處理和存儲資源。雖然大腦具有針對通過神經元圖處理信號的任務量身定製的硬體，但是模擬馮諾依曼技術的最簡化形式可能迫使神經網路設計者為其連接在資料庫中添加數百萬行——這會消耗大量的計算機內存和硬碟空間。

神經網路從分析好的數據中學習，不需要重新編程，但是它們被稱為「黑盒子」模型，並且對這些模型真正在做什麼提供很少的運作信息。用戶只需要喂它輸入，看著它訓練並等待輸出。

結論

人工神經網路被看作是增強現有數據分析技術的簡單數學模型。 雖然它不能與人腦的力量相媲美，但它仍然是人工智慧的基本組成部分。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！